36 ตัวอย่างจริงของเอเจนต์ AI

แม้ เอเจนต์ AI จะเป็นข่าวใหญ่ในวงการเทคโนโลยีทั่วโลก แต่ตัวอย่างของเอเจนต์ AI ในชีวิตจริงอาจไม่ชัดเจนเสมอไป

ในบทความนี้ ฉันจะพาคุณไปรู้จัก ประเภทของเอเจนต์ AI พร้อมตัวอย่างของแต่ละประเภท

แต่อย่าลืมว่า แม้จะแบ่งตามประเภท แต่ระบบ AI ที่ล้ำหน้าส่วนใหญ่มักเป็นการผสมผสานของเอเจนต์ AI หลายประเภทเข้าด้วยกัน

ตัวอย่างเช่น ในการจัดการซัพพลายเชนด้วย AI จะมีการ ใช้เอเจนต์หลายประเภท เพื่อเพิ่มประสิทธิภาพด้านโลจิสติกส์ การจัดการคลังสินค้า การเติมสินค้า และการจัดส่ง เช่นเดียวกับรถยนต์ไร้คนขับที่ผสมผสานเอเจนต์แบบอิงค่าสาธารณูปโภค เอเจนต์ที่ขับเคลื่อนด้วยเป้าหมาย เอเจนต์แบบรีเฟล็กซ์ที่มีโมเดล และเอเจนต์ที่เรียนรู้ได้ เพื่อให้กระบวนการที่ซับซ้อนดำเนินไปได้

‍

แต่เพื่อเริ่มต้นจากหลักการพื้นฐาน มาดูกันว่าแต่ละประเภทของ agentic AI ถูกออกแบบมาเพื่ออะไร พร้อมตัวอย่างการใช้งานจริงในโลกปัจจุบัน

แม้ว่าคุณจะไม่มีรถยนต์ไร้คนขับหรือไม่ได้ทำงานในคลังสินค้าที่ใช้ AI คุณก็น่าจะเคยโต้ตอบกับ บอทสำหรับองค์กร ที่ขับเคลื่อนด้วยเอเจนต์ เช่น

• เอเจนต์ AI สำหรับอีคอมเมิร์ซ ที่ช่วยสั่งซื้อสินค้า อัปเดตสถานะการจัดส่ง และแนะนำสินค้าที่เหมาะกับผู้ใช้แต่ละคน
• แชทบอทบริการลูกค้า ที่ตอบคำถามที่พบบ่อย ดำเนินการคืนเงิน และช่วยแก้ไขปัญหาทางเทคนิค (เช่นตัวอย่างนี้จาก Ruby Labs)
• เอเจนต์สร้างลีด ที่พูดคุยกับลูกค้า คัดกรองลีด และจองนัดหมาย (เช่นตัวอย่างนี้จาก Waiver Consulting Group)
• แชทบอทขายสินค้า และฟังก์ชันการตลาด เช่น การสร้างลีดด้วย AI หรือ วิธีอื่น ๆ ในการใช้ AI กับงานขาย

แต่เอเจนต์ AI ไม่ได้ถูกสร้างขึ้นโดยผู้เชี่ยวชาญด้านเทคนิคเท่านั้น ปัจจุบันการออกแบบและใช้งานเอเจนต์ AI ของตัวเองทำได้ง่ายมากด้วย แพลตฟอร์มสร้าง AI รุ่นใหม่ ๆ

หากคุณสนใจ สร้างเอเจนต์ AI ของตัวเอง สามารถเริ่มได้เลยวันนี้กับ คู่มือสร้างเอเจนต์ AI ของเรา

ต่อไป มาดู 9 ประเภทของเอเจนต์ AI พร้อมตัวอย่างการใช้งานจริง 36 แบบ

1. Utility-Based Agents

ต่างจากเอเจนต์แบบง่ายที่ตอบสนองต่อสิ่งเร้าโดยตรง เอเจนต์แบบ utility-based จะประเมินทางเลือกต่าง ๆ ตาม ประโยชน์ที่คาดว่าจะได้รับ โดยจะคาดการณ์ว่าทางเลือกใดเหมาะสมกับเป้าหมายที่ตั้งไว้มากที่สุด

เอเจนต์ utility-based เหมาะกับสภาพแวดล้อมที่ต้องตัดสินใจซับซ้อนและมีผลลัพธ์หลากหลาย เช่น การชั่งน้ำหนักความเสี่ยงเพื่อการลงทุน หรือเปรียบเทียบผลข้างเคียงของทางเลือกการรักษา

ฟังก์ชัน utility ของเอเจนต์อัจฉริยะเหล่านี้เป็นการแทนค่าความชอบในรูปแบบคณิตศาสตร์ ฟังก์ชัน utility จะจับคู่กับโลกภายนอกเพื่อจัดลำดับและตัดสินใจว่า ตัวเลือกใดเหมาะสมที่สุด จากนั้นเอเจนต์ utility จะเลือกการกระทำที่เหมาะสมที่สุด

เนื่องจากพวกเขาสามารถ ประมวลผลข้อมูลจำนวนมาก จึงมีประโยชน์ในทุกวงการที่ต้องตัดสินใจสำคัญ

การซื้อขายทางการเงิน

เอเจนต์ utility-based เหมาะกับตลาดหุ้นและคริปโต เพราะสามารถซื้อขายตามอัลกอริทึมที่มุ่งเพิ่มผลตอบแทนสูงสุดหรือลดการขาดทุน ฟังก์ชัน utility นี้จะคำนึงถึงทั้งข้อมูลในอดีตและข้อมูลตลาดแบบเรียลไทม์

ระบบกำหนดราคาตามสถานการณ์

เคยจ่ายเงินเพิ่มเวลานั่ง Uber หรือ Lyft ตอนฝนตกไหม? นั่นแหละคือตัวอย่างของเอเจนต์ที่ใช้ยูทิลิตี้เป็นหลัก พวกเขาสามารถปรับราคาตั๋วเครื่องบิน โรงแรม หรือบริการรถรับส่งแบบเรียลไทม์ตามความต้องการ คู่แข่ง หรือเวลาที่จองได้

ตัวควบคุมสมาร์ทกริด

เอเจนต์อัจฉริยะประเภทนี้คือ 'สมอง' ของสมาร์ทกริด: เป็นเอเจนต์ utility-based ที่ควบคุมการจ่ายและเก็บไฟฟ้า

พวกเขาจะปรับการใช้ทรัพยากรตามการคาดการณ์ความต้องการและราคาพลังงาน เพื่อเพิ่มประสิทธิภาพและลดต้นทุน

ระบบแนะนำเนื้อหาเฉพาะบุคคล

คุณดูหนังจบ Netflix ก็แนะนำหนังอีก 3 เรื่องที่คล้ายกัน

บริการสตรีมมิ่งอย่าง Netflix และ Spotify ใช้เอเจนต์ utility-based เพื่อแนะนำเนื้อหาที่คล้ายกันให้ผู้ใช้ โดย utility ที่ถูกปรับให้เหมาะสมคือโอกาสที่คุณจะคลิกดู

2. Goal-Based Agents

เอเจนต์ AI แบบ goal-based คือเอเจนต์ที่ถูกออกแบบมาเพื่อบรรลุเป้าหมายเฉพาะด้วยปัญญาประดิษฐ์

แทนที่จะตอบสนองต่อสิ่งเร้าอย่างเดียว เอเจนต์เหล่านี้สามารถพิจารณาผลลัพธ์ในอนาคตของการกระทำแต่ละอย่าง เพื่อวางแผนกลยุทธ์ให้บรรลุเป้าหมาย

ต่างจาก simple reflex agent ที่ตอบสนองต่อสิ่งเร้าตามกฎเงื่อนไข-action เอเจนต์ goal-based จะประเมินและวางแผนการกระทำเพื่อให้บรรลุเป้าหมาย

สิ่งที่ทำให้พวกเขาแตกต่างจากเอเจนต์อัจฉริยะประเภทอื่นคือ ความสามารถในการมองการณ์ไกลและวางแผนเชิงกลยุทธ์เพื่อไปสู่ผลลัพธ์ที่ต้องการ

Roomba

หุ่นยนต์ดูดฝุ่น เช่น Roomba ถูกออกแบบมาเพื่อเป้าหมายเดียว: ทำความสะอาดพื้นทุกจุดที่เข้าถึงได้ เอเจนต์ goal-based นี้มีเป้าหมายชัดเจนและทำได้ดี

ทุกการตัดสินใจของเอเจนต์ goal-based นี้ (เช่น จะหมุนตัวเมื่อไร) ล้วนทำเพื่อเป้าหมายนี้ ส่วนแมวที่นั่งบน Roomba ก็เป็นโบนัส

ซอฟต์แวร์บริหารโครงการ

แม้จะใช้เอเจนต์ utility-based ด้วย แต่ซอฟต์แวร์บริหารโครงการมักเน้นไปที่การบรรลุเป้าหมายของโครงการโดยเฉพาะ

เอเจนต์ AI เหล่านี้จะจัดตารางงานและจัดสรรทรัพยากรเพื่อให้ทีมทำโครงการเสร็จตรงเวลา โดยเอเจนต์จะประเมินแนวทางที่มีโอกาสสำเร็จมากที่สุดและดำเนินการแทนทีม

AI ในวิดีโอเกม

ในเกมวางแผนหรือเกมสวมบทบาท ตัวละคร AI จะทำหน้าที่เป็นเอเจนต์ที่ขับเคลื่อนด้วยเป้าหมาย เช่น ปกป้องพื้นที่ หรือเอาชนะคู่ต่อสู้

เอเจนต์ AI เหล่านี้จะพิจารณากลยุทธ์และทรัพยากรต่าง ๆ เช่น จะโจมตีแบบไหน ใช้พลังเสริมเมื่อไร เพื่อให้บรรลุเป้าหมาย

3. Model-Based Reflex Agents

เมื่อคุณต้องปรับตัวกับข้อมูลที่มองไม่เห็นหรือคาดเดาไม่ได้ เอเจนต์แบบ model-based reflex คือเครื่องมือที่เหมาะสม

ต่างจาก simple reflex agent ที่ตอบสนองต่อสิ่งเร้าปัจจุบันเท่านั้น เอเจนต์ model-based reflex จะมีสถานะภายในที่ช่วยให้คาดการณ์สภาพแวดล้อมที่มองเห็นได้บางส่วน เป็นแบบจำลองภายในของโลกส่วนที่เกี่ยวข้องกับหน้าที่ของตน

แบบจำลองนี้จะ อัปเดตข้อมูลใหม่จากสภาพแวดล้อมอยู่เสมอ ทำให้เอเจนต์ AI สามารถสรุปข้อมูลเกี่ยวกับส่วนที่มองไม่เห็นและคาดการณ์สภาพในอนาคตได้

พวกเขาจะประเมินผลลัพธ์ที่เป็นไปได้ก่อนตัดสินใจ ทำให้สามารถรับมือกับสถานการณ์ซับซ้อนได้ดี โดยเฉพาะงานที่ซับซ้อน เช่น ขับรถในเมือง หรือควบคุมระบบบ้านอัจฉริยะ

เนื่องจากความสามารถในการผสานความรู้ในอดีตกับข้อมูลแบบเรียลไทม์ ตัวแทนแบบ model-based reflex จึงสามารถปรับประสิทธิภาพให้เหมาะสมกับทุกงานได้ ไม่ว่าจะเป็นงานประเภทใดก็ตาม เช่นเดียวกับมนุษย์ พวกเขาสามารถตัดสินใจโดยคำนึงถึงบริบท แม้ในสถานการณ์ที่คาดเดาไม่ได้

ยานยนต์อัตโนมัติ

แม้ว่ายานยนต์เหล่านี้จะครอบคลุมตัวแทนปัญญาประดิษฐ์หลายประเภท แต่ก็เป็นตัวอย่างที่ดีของตัวแทนแบบ model-based reflex

ระบบที่ซับซ้อนอย่างการจราจรและการเคลื่อนไหวของคนเดินถนน คือความท้าทายที่ตัวแทนแบบ model-based reflex ถูกออกแบบมาเพื่อรับมือโดยเฉพาะ

โมเดลภายในของพวกเขาถูกใช้ในการตัดสินใจแบบเรียลไทม์บนท้องถนน เช่น เบรกเมื่อมีรถคันอื่นฝ่าไฟแดง หรือชะลอความเร็วอย่างรวดเร็วเมื่อรถข้างหน้าทำเช่นเดียวกัน ระบบภายในจะอัปเดตข้อมูลตลอดเวลาตามสิ่งที่เกิดขึ้นรอบตัว เช่น รถคันอื่น กิจกรรมที่ทางม้าลาย หรือสภาพอากาศ

ระบบรดน้ำอัจฉริยะสมัยใหม่

ตัวแทนแบบ model-based reflex เป็นหัวใจสำคัญของระบบรดน้ำอัจฉริยะยุคใหม่ ความสามารถในการตอบสนองต่อข้อมูลสิ่งแวดล้อมที่ไม่คาดคิดเหมาะสมอย่างยิ่งกับการจัดการสภาพอากาศและความชื้นในดิน

โมเดลภายในของ AI agent จะใช้แทนและทำนายปัจจัยแวดล้อมต่าง ๆ เช่น ระดับความชื้นในดิน สภาพอากาศ และความต้องการน้ำของพืช

ตัวแทนเหล่านี้จะเก็บข้อมูลจากเซนเซอร์ในพื้นที่อย่างต่อเนื่อง รวมถึงข้อมูลแบบเรียลไทม์เกี่ยวกับความชื้น อุณหภูมิ และปริมาณน้ำฝน

โดยการวิเคราะห์ข้อมูลเหล่านี้ ตัวแทนแบบ model-based reflex จะสามารถตัดสินใจได้อย่างมีข้อมูลว่าควรรดน้ำเมื่อไร ปริมาณเท่าไร และโซนใดในพื้นที่ที่ต้องดูแลเป็นพิเศษ ความสามารถในการทำนายนี้ช่วยให้ระบบรดน้ำใช้น้ำอย่างมีประสิทธิภาพ พืชได้รับน้ำที่ต้องการอย่างพอดีโดยไม่สิ้นเปลือง

ระบบบ้านอัจฉริยะ

โมเดลภายในในที่นี้คือสภาพแวดล้อมของบ้าน ระบบเหล่านี้จะอัปเดตข้อมูลจากเซนเซอร์ตลอดเวลาและนำข้อมูลนั้นมาใช้ในการตัดสินใจ

ตัวอย่างเช่น เทอร์โมสตัทจะตรวจจับอุณหภูมิที่เปลี่ยนแปลงและปรับค่าตามความเหมาะสม หรือระบบไฟอาจตรวจจับความมืดภายนอกและปรับแสงให้เหมาะสม — เพราะความมืดอาจเกิดจากกลางคืนหรือพายุฝนฟ้าคะนองที่ไม่คาดคิด จึงต้องใช้ตัวแทนที่ฉลาดเพื่อคาดการณ์และตอบสนองต่อความแตกต่างเหล่านี้

4. ตัวแทนที่เรียนรู้ได้ (Learning Agents)

ตัวแทนที่เรียนรู้ได้มีจุดเด่นที่ความสามารถในการปรับตัวและพัฒนาอย่างต่อเนื่องจากประสบการณ์ที่ผ่านมา

ต่างจาก AI agent แบบคงที่ที่ทำงานตามกฎหรือโมเดลที่ตั้งโปรแกรมไว้เท่านั้น ตัวแทนที่เรียนรู้ได้สามารถพัฒนาพฤติกรรมและกลยุทธ์ของตนเองได้ ด้วยคุณสมบัติการเรียนรู้นี้ จึงเหมาะกับสภาพแวดล้อมที่เปลี่ยนแปลงอยู่เสมอ

ระบบตรวจจับการฉ้อโกง

ระบบตรวจจับการฉ้อโกงจะเก็บข้อมูลอย่างต่อเนื่องและปรับเปลี่ยนเพื่อจดจำรูปแบบการฉ้อโกงได้อย่างมีประสิทธิภาพมากขึ้น เนื่องจากกลโกงมีการเปลี่ยนแปลงตลอดเวลา ตัวแทนตรวจจับการฉ้อโกงจึงต้องปรับตัวตามไปด้วย

ระบบแนะนำเนื้อหา

แพลตฟอร์มอย่าง Netflix และ Amazon ใช้ระบบที่มีตัวแทนที่เรียนรู้ได้เพื่อปรับปรุงคำแนะนำภาพยนตร์ รายการ และสินค้าให้เหมาะกับผู้ใช้มากขึ้น

แม้โปรไฟล์ของคุณจะบอกว่าชอบหนังสยองขวัญหรือระทึกขวัญ แต่ถ้าคุณเปลี่ยนไปดูหนังรักโรแมนติก คำแนะนำก็จะปรับตาม เช่นเดียวกับเรา มันเรียนรู้อยู่ตลอดเวลา

ซอฟต์แวร์รู้จำเสียงพูด

แอปพลิเคชันอย่าง Google Assistant และ Siri ใช้ตัวแทนที่เรียนรู้ได้เพื่อเข้าใจความพยายามพูดที่ผิดเพี้ยนหรือพูดไม่ชัดของเราได้ดีขึ้น

ต้องขอบคุณตัวแทนที่เรียนรู้ได้ ระบบเหล่านี้จึงเข้าใจสำเนียงและคำสแลงได้ดีขึ้น — เราจึงสามารถถาม Siri ว่า “Och, Siri, ช่วยหาร้านชิปปี้ที่ใกล้ที่สุดให้หน่อยได้ไหม จะไปกินมื้อค่ำ หิวมาก!”

เทอร์โมสตัทอัจฉริยะที่ปรับตัวได้

แม้แต่เทอร์โมสตัทอัจฉริยะ เช่น Nest ก็เรียนรู้จากพฤติกรรมผู้ใช้ เช่น เวลาที่อยู่บ้านหรือออกไปข้างนอก และอุณหภูมิที่ชอบ

ข้อมูลเหล่านี้อาจเปลี่ยนแปลงตลอดเวลา เทอร์โมสตัทจึงต้องปรับตัวได้อย่างต่อเนื่อง นี่คือตัวอย่างของตัวแทนที่เรียนรู้ได้อีกประเภทหนึ่ง

5. ตัวแทนแบบลำดับชั้น (Hierarchical Agents)

ตัวแทนแบบลำดับชั้นแตกต่างจาก AI agent ประเภทอื่นตรงที่มีโครงสร้างและวิธีแก้ปัญหาแบบหลายชั้น

ตัวแทนแบบลำดับชั้นคล้ายกับโครงสร้างองค์กรที่ซับซ้อน มีระดับการตัดสินใจที่แตกต่างกัน ตัวแทนแต่ละส่วนในระบบจะมีความเชี่ยวชาญเฉพาะด้าน ทำให้จัดการงานที่ซับซ้อนและหลายขั้นตอนได้อย่างมีประสิทธิภาพ

ตัวแทนแบบลำดับชั้นเป็นหนึ่งในวิธีที่ซับซ้อนกว่าในการใช้งาน AI agent เพราะประกอบด้วยตัวแทนย่อยหลายตัว

สรุปสั้น ๆ : โครงสร้างตัวแทนแบบลำดับชั้นคือกระบวนการตัดสินใจที่มีโครงสร้างชัดเจนในแต่ละระดับของระบบ

หุ่นยนต์ในสายการผลิต

ในระบบการผลิตขั้นสูง ตัวแทนแบบลำดับชั้นจะควบคุมการทำงานของสายการผลิตทั้งหมด

ตัวแทนระดับสูงจะวางแผนและแบ่งงานในระบบ ส่วนตัวแทนระดับล่างจะควบคุมเครื่องจักรเฉพาะ เช่น แขนกลสำหรับประกอบชิ้นส่วน

แต่ละระดับสามารถสื่อสารกันเพื่อให้การผลิตเป็นไปอย่างราบรื่น — นี่คือตัวอย่างของการตัดสินใจแบบหลายระดับ

ระบบควบคุมการจราจรทางอากาศ

ระบบเหล่านี้ใช้ตัวแทนแบบลำดับชั้นเพื่อจัดการการจราจรทางอากาศให้ปลอดภัยและมีประสิทธิภาพ เนื่องจากเป็นงานที่ซับซ้อนและมีหลายหน้าที่ จึงต้องใช้ระบบตัวแทนแบบลำดับชั้นในการดำเนินงานอย่างเหมาะสม

ตัวแทนระดับสูงจะดูแลการจัดการจราจรในภูมิภาคกว้าง ๆ ส่วนตัวแทนระดับล่างจะดูแลงานเฉพาะ เช่น การขึ้นลงจอดและการเคลื่อนย้ายเครื่องบินในสนามบินแต่ละแห่ง

หุ่นยนต์คลังสินค้าอัตโนมัติ

ตัวแทนแบบลำดับชั้นคือผู้จัดการสินค้าคงคลังและการจัดการพัสดุในคลังสินค้าที่ใช้ machine learning

ตัวแทนระดับสูงจะปรับแต่งผังคลังสินค้าและการกระจายสินค้า ส่วนตัวแทนระดับล่างจะควบคุมรถยกและเครื่องคัดแยกอัตโนมัติเพื่อเคลื่อนย้ายและจัดเรียงสินค้า

6. ตัวแทนหุ่นยนต์ (Robotic Agents)

นี่คือตัวแทนที่เรามักนึกถึงเมื่อพูดถึง intelligent agent: ตัวแทนหุ่นยนต์

ด้วยองค์ประกอบด้านการปฏิบัติงาน ตัวแทนหุ่นยนต์จึงเป็นตัวอย่างเด่นของ AI agent ตัวแทนเหล่านี้ทำงานในสภาพแวดล้อมจริง ไม่ใช่แค่ซอฟต์แวร์

ตัวแทน AI ที่มีรูปร่างจริงเหล่านี้มักติดตั้งเซนเซอร์ เช่น กล้องหรือเซนเซอร์สัมผัส เหมาะกับงานที่อันตรายหรือซ้ำซาก — การใช้ AI agent ทำงานเหล่านี้อาจมีประสิทธิภาพและคุ้มค่ากว่ามนุษย์

AI agent ประเภทนี้มักผสานกับ AI ประเภทอื่น เพื่อให้สามารถทำงานที่เป็นประโยชน์หรือบรรลุเป้าหมายได้จริง บางครั้งอยู่ในระบบที่มีหลายตัวแทนหรือระบบแบบลำดับชั้น

หุ่นยนต์ในสายการประกอบ

มีหุ่นยนต์มากมายในสายการผลิต หุ่นยนต์ AI เหล่านี้ทำงานเช่น การเชื่อม การพ่นสี และการประกอบชิ้นส่วน ด้วยความแม่นยำและรวดเร็วสูง

เนื่องจากเป็น intelligent agent จึงสามารถปรับเวลาในการผลิตให้เหมาะสมโดยยังคงมาตรฐานคุณภาพไว้ได้

หุ่นยนต์ช่วยผ่าตัด

การผ่าตัดเป็นงานที่ต้องแม่นยำและมีความเสี่ยงสูง จึงเหมาะกับ AI agent

ตัวแทนหุ่นยนต์อย่างระบบ da Vinci Surgical System ช่วยศัลยแพทย์ในการผ่าตัดที่ต้องการความแม่นยำและแผลเล็ก ตัวแทน AI เหล่านี้ไม่ได้ผ่าตัดเอง แต่ช่วยขยายขีดความสามารถของศัลยแพทย์

หุ่นยนต์การเกษตร

หุ่นยนต์ถูกนำมาใช้ในกระบวนการเกษตรตั้งแต่ปลูกเมล็ด เก็บเกี่ยวผลผลิต ไปจนถึงตรวจสอบสภาพแปลง

AI agent เหล่านี้ช่วยเพิ่มประสิทธิภาพ เพราะบางงาน เช่น การปลูกเมล็ดแครอท 10,000 เมล็ด อาจง่ายกว่าหากใช้เครื่องจักรแทนมนุษย์

หุ่นยนต์บริการ

หุ่นยนต์บริการที่โด่งดังที่สุด — ใช่แล้ว นั่นคือ WALL-E รองลงมาคือหุ่นยนต์ในร้านอาหารที่นำซูชิแบบบุฟเฟต์มาเสิร์ฟถึงโต๊ะคุณ

เรานำหุ่นยนต์บริการมาใช้ในหลายที่: หุ่นยนต์ดูดฝุ่น หุ่นยนต์ให้ข้อมูลแขกในโรงแรม และหุ่นยนต์ส่งของให้ลูกค้าตามสถานที่ต่าง ๆ

7. ผู้ช่วยเสมือน

ผู้ช่วยเสมือน ขับเคลื่อนด้วยการประมวลผลภาษาธรรมชาติและปัญญาประดิษฐ์ – และอาจเป็นตัวอย่างของเอเจนต์ AI ที่คนทั่วไปคุ้นเคยมากที่สุด

ผู้ช่วยอัจฉริยะเหล่านี้เข้าใจและประมวลผลภาษามนุษย์ (ด้วย การประมวลผลภาษาธรรมชาติ) เพื่อทำงานต่าง ๆ เช่น ตั้งเตือนความจำและจัดการอีเมล

AI ประเภทนี้ยังมีองค์ประกอบการเรียนรู้: สามารถเรียนรู้จากการโต้ตอบกับผู้ใช้ ทำให้ปรับให้เหมาะกับแต่ละคนและมีประสิทธิภาพมากขึ้นเมื่อใช้งานไปเรื่อย ๆ

Siri

Siri เป็นหนึ่งในผู้ช่วยเสมือนรายแรก ๆ ที่ได้รับความนิยม โดยถูกติดตั้งในอุปกรณ์ Apple ส่วนใหญ่ เช่น iPhone, iPad, Mac และ Apple Watch

Siri ช่วยทำงานได้หลากหลาย เช่น โทรศัพท์ ส่งข้อความ ตั้งเตือนความจำ ให้เส้นทาง และตอบคำถามความรู้ทั่วไป

Alexa

มีให้ใช้ในอุปกรณ์ Amazon Echo และผลิตภัณฑ์ที่รองรับ Alexa อื่น ๆ ผู้ช่วยเสมือนนี้เล่นเพลง ควบคุมอุปกรณ์สมาร์ทโฮม สร้างรายการซื้อของ และอัปเดตข่าวสาร และยังทำให้ชื่อ 'Alexa' กลายเป็นชื่อที่คนไม่ค่อยใช้กับมนุษย์อีกต่อไป

Google Assistant

คุณคงรู้จักโปรแกรมเอเจนต์นี้จากโทรศัพท์ Android และอุปกรณ์ Google Home Google Assistant เชี่ยวชาญในการค้นหาข้อมูลจากเว็บ จัดตารางงาน ควบคุมอุปกรณ์สมาร์ทโฮม และแปลภาษาแบบเรียลไทม์

การผสานกับบริการของ Google อย่างลึกซึ้ง ทำให้เหมาะกับงานที่เกี่ยวข้องกับแผนที่ YouTube และการค้นหาข้อมูลเป็นพิเศษ

8. ระบบหลายเอเจนต์

จุดเด่นของ ระบบหลายเอเจนต์ คือความหลากหลายและความซับซ้อนของการโต้ตอบระหว่างกัน

เอเจนต์ในระบบเหล่านี้มีความหลากหลายมาก ตั้งแต่ซอฟต์แวร์เอเจนต์ง่าย ๆ ที่กรองข้อมูล ไปจนถึงเอเจนต์ที่ซับซ้อนซึ่งจัดการฟังก์ชันสำคัญในโครงข่ายไฟฟ้าอัจฉริยะหรือระบบขนส่ง

แต่ละเอเจนต์ทำงานกึ่งอิสระ แต่ถูกออกแบบมาให้โต้ตอบกับเอเจนต์อื่น ๆ สร้างระบบนิเวศที่มีการเปลี่ยนแปลงตลอดเวลา ซึ่งพฤติกรรมโดยรวมเกิดจากการกระทำของแต่ละเอเจนต์ สำหรับโปรแกรมเอเจนต์ประเภทนี้ การทำงานร่วมกันคือหัวใจสำคัญ

ระบบจัดการจราจร

คุณจะพบเอเจนต์อัจฉริยะเหล่านี้ในระบบจัดการจราจร โดยมีเอเจนต์หลายตัวแทนสัญญาณไฟจราจร กล้องวงจรปิด และระบบข้อมูลต่าง ๆ

เอเจนต์ AI เหล่านี้ทำงานร่วมกันเพื่อปรับปรุงการไหลของจราจร ลดความแออัด และตอบสนองต่อสถานการณ์จริง เช่น อุบัติเหตุหรือการซ่อมถนน แต่ละเอเจนต์จัดการข้อมูลในพื้นที่ของตนเองและสื่อสารกับเอเจนต์อื่น ๆ เพื่อปรับสัญญาณไฟจราจรให้เหมาะสม – การทำงานเป็นทีมจึงเป็นสิ่งจำเป็น

โครงข่ายไฟฟ้าอัจฉริยะเพื่อการจัดการพลังงาน

โครงข่ายไฟฟ้าอัจฉริยะก็มีเอเจนต์ AI จำนวนมากเช่นกัน โดยแต่ละตัวควบคุมส่วนต่าง ๆ ของการจ่ายไฟ ตั้งแต่โรงไฟฟ้าไปจนถึงสมาร์ทมิเตอร์ในบ้านแต่ละหลัง

เอเจนต์ AI เหล่านี้ทำงานร่วมกันเพื่อปรับสมดุลการใช้และการผลิตพลังงานอย่างมีประสิทธิภาพ ผสานพลังงานหมุนเวียน และรักษาเสถียรภาพของระบบไฟฟ้า

การประสานงานของระบบหลายเอเจนต์ช่วยให้การจ่ายไฟมีประสิทธิภาพสูงสุดและควบคุมต้นทุนในเครือข่ายได้ดี

ซัพพลายเชนและโลจิสติกส์

ในการจัดการซัพพลายเชน เอเจนต์จะเป็นตัวแทนของผู้มีส่วนเกี่ยวข้องต่าง ๆ เช่น ซัพพลายเออร์ ผู้ผลิต ผู้จัดจำหน่าย และร้านค้า เอเจนต์เหล่านี้ประสานงานกันเพื่อเพิ่มประสิทธิภาพของกระบวนการซัพพลายเชน ตั้งแต่การจัดซื้อจนถึงการส่งมอบสินค้า ช่วยให้กระบวนการมีประสิทธิภาพและลดต้นทุน

หุ่นยนต์ฝูงอัตโนมัติ

บางครั้งในการสำรวจหรือกู้ภัย จะมีการปล่อยหุ่นยนต์เป็นฝูง

แต่ละเอเจนต์หุ่นยนต์จะทำงานกึ่งอิสระ แต่จะประสานงานกับเอเจนต์ AI ตัวอื่น ๆ เพื่อครอบคลุมพื้นที่กว้างขึ้น แชร์ข้อมูลจากเซนเซอร์ หรือช่วยกันเคลื่อนย้ายวัตถุ

สิ่งนี้มีประโยชน์อย่างยิ่งในสภาพแวดล้อมที่ท้าทาย เช่น อาคารถล่มหรือพื้นผิวดาวเคราะห์ ที่การทำงานร่วมกันของระบบ AI ขนาดใหญ่จะได้ผลดีกว่าการทำงานของเอเจนต์ AI เดี่ยว ๆ

9. เอเจนต์สะท้อนกลับแบบง่าย

เอเจนต์สะท้อนกลับแบบง่ายเป็นเหมือนน้องเล็กในกลุ่ม มีความฉลาดจำกัดมากและทำงานตามกฎเงื่อนไข-การกระทำโดยตรง

เอเจนต์ที่ขับเคลื่อนด้วยกฎเหล่านี้ไม่เหมาะกับงานซับซ้อน แต่เหมาะกับงานเฉพาะที่ออกแบบมาโดยตรง

เอเจนต์สะท้อนกลับแบบง่ายเหมาะกับงานตรงไปตรงมาในสภาพแวดล้อมที่คาดเดาได้ การกระทำของเอเจนต์ประเภทนี้มีผลต่อโลกภายนอก แต่จำกัดเฉพาะงานที่กำหนดไว้เท่านั้น

เทอร์โมสแตท

หกโมงเย็นหน้าหนาว? เพิ่มความร้อนเลย เที่ยงวันหน้าร้อน? เอเจนต์แบบรีเฟล็กซ์ที่มีความฉลาดจำกัดนี้จะเปิดแอร์ให้ทันที

ประตูอัตโนมัติ

แม้จะดูไม่ฉลาดมาก แต่ประตูอัตโนมัติก็เป็นตัวอย่างของเอเจนต์สะท้อนกลับแบบง่าย เอเจนต์ AI นี้ตรวจจับคนที่ยืนหน้าประตู แล้วก็เปิดออก เรียบง่ายแต่ได้ผล

เครื่องตรวจจับควัน

เอเจนต์ AI นี้ทำงานอยู่บนเพดานห้องครัวของคุณ ใช่แล้ว มันก็เป็นเอเจนต์สะท้อนกลับแบบง่ายเช่นกัน ตรวจจับควันแล้วส่งเสียงเตือน

ตัวกรองสแปมพื้นฐาน

เอเจนต์บางตัวในปัญญาประดิษฐ์ช่วยเราในชีวิตประจำวันมาหลายปีแล้ว ตัวกรองสแปมในอีเมลก็เป็นหนึ่งในนั้น รุ่นพื้นฐานจะไม่ใช้การประมวลผลภาษาธรรมชาติ แต่จะดูจากคีย์เวิร์ดหรือชื่อเสียงของผู้ส่งแทน

สร้างเอเจนต์ AI ของคุณเอง

มีเอเจนต์ AI หลายประเภท บางแบบก็สร้างยากกว่ากันมาก

แต่ถ้าคุณอยากสร้างแชทบอทเอเจนต์ ที่สามารถดำเนินการในระบบประจำวันของคุณ เช่น ส่งอีเมลหรือจองนัดหมาย เราสามารถช่วยคุณได้

แพลตฟอร์มของเรามีอินเทอร์เฟซลากวางที่ใช้งานง่ายสำหรับมือใหม่ และขยายความสามารถได้ไม่จำกัดสำหรับนักพัฒนามืออาชีพ

เรายังมีชุมชนผู้สร้างบอทกว่า 20,000 คน หากคุณต้องการความช่วยเหลือตลอดกระบวนการ

เริ่มสร้างได้เลยวันนี้ ฟรี

คำถามที่พบบ่อย

เอเจนต์ AI มีจิตสำนึกหรือไม่?

ไม่ เอเจนต์ AI ไม่มีจิตสำนึก พวกเขาทำงานตามโปรแกรมซอฟต์แวร์ที่กำหนดเป้าหมายไว้ แม้จะสามารถดำเนินการเองเพื่อให้บรรลุผลลัพธ์ได้

กระบวนการตัดสินใจและการกระทำของเอเจนต์ AI เป็นอย่างไร?

เอเจนต์ AI แต่ละประเภทจะสังเกตสภาพแวดล้อมและดำเนินการแตกต่างกัน บางตัวใช้ข้อมูลแบบจำลอง บางตัวใช้เซนเซอร์ และมีเป้าหมายต่างกันตามเหตุผลที่ถูกตั้งโปรแกรมไว้

เอเจนต์แบบใช้แบบจำลองคืออะไร?

เอเจนต์แบบใช้แบบจำลอง (model-based agent) เป็นอีกชื่อหนึ่งของเอเจนต์สะท้อนกลับแบบใช้แบบจำลอง ซึ่งเป็นเอเจนต์ AI ที่ผสมผสานข้อมูลในอดีตกับข้อมูลปัจจุบันเพื่อเลือกแนวทางการกระทำที่ดีที่สุด